值得收藏的27个机器学习的小抄
机器学习(Machine Learning)有很多方面,当我开始研究学习它时,我发现了各种各样的“小抄”,它们简明地列出了给定主题的关键知识点。最终,我汇集了超过 20 篇的机器学习相关的小抄,其中一些我经常会翻阅,而另一些我也获益匪浅。这篇文章里面包含了我在网上找到的 27 个小抄,如果你发现我有所遗漏的话,请告诉我。
机器学习领域的变化是日新月异的,我想这些可能很快就会过时,但是至少在目前,它们还是很潮的。
机器学习
这里有一些有用的流程图和机器学习算法表,我只包括了我所发现的最全面的几个。
神经网络架构
来源: https://www.asimovinstitute.org/neural-network-zoo/
神经网络公园
微软 Azure 算法流程图
来源: https://docs.microsoft.com/en-us/azure/machine-learning/machine-learning-algorithm-cheat-sheet
用于微软 Azure 机器学习工作室的机器学习算法
SAS 算法流程图
来源: https://blogs.sas.com/content/subconsciousmusings/2017/04/12/machine-learning-algorithm-use/
SAS:我应该使用哪个机器学习算法?
算法总结
来源: https://machinelearningmastery.com/a-tour-of-machine-learning-algorithms/
机器学习算法指引
来源: https://thinkbigdata.in/best-known-machine-learning-algorithms-infographic/
已知的机器学习算法哪个***?
算法优劣
来源: https://blog.dataiku.com/machine-learning-explained-algorithms-are-your-friend
Python
自然而然,也有许多在线资源是针对 Python 的,这一节中,我仅包括了我所见过的***的那些小抄。
算法
来源: https://www.analyticsvidhya.com/blog/2015/09/full-cheatsheet-machine-learning-algorithms/
Python 基础
来源: https://datasciencefree.com/python.pdf
来源: https://www.datacamp.com/community/tutorials/python-data-science-cheat-sheet-basics#gs.0x1rxEA
Numpy
来源: https://www.dataquest.io/blog/numpy-cheat-sheet/
来源: https://datasciencefree.com/numpy.pdf
来源: https://www.datacamp.com/community/blog/python-numpy-cheat-sheet#gs.Nw3V6CE
来源: https://github.com/donnemartin/data-science-ipython-notebooks/blob/master/numpy/numpy.ipynb
Pandas
来源: https://datasciencefree.com/pandas.pdf
来源: https://www.datacamp.com/community/blog/python-pandas-cheat-sheet#gs.S4P4T=U
来源: https://github.com/donnemartin/data-science-ipython-notebooks/blob/master/pandas/pandas.ipynb
Matplotlib
来源: https://www.datacamp.com/community/blog/python-matplotlib-cheat-sheet
Scikit Learn
来源: https://www.datacamp.com/community/blog/scikit-learn-cheat-sheet#gs.fZ2A1Jk
来源: https://peekaboo-vision.blogspot.de/2013/01/machine-learning-cheat-sheet-for-scikit.html
来源: https://github.com/rcompton/ml_cheat_sheet/blob/master/supervised_learning.ipynb
Tensorflow
Pytorch
来源: https://github.com/bfortuner/pytorch-cheatsheet
数学
如果你希望了解机器学习,那你就需要彻底地理解统计学(特别是概率)、线性代数和一些微积分。我在本科时辅修了数学,但是我确实需要复习一下了。这些小抄提供了机器学习算法背后你所需要了解的大部分数学知识。
概率
来源: https://www.wzchen.com/s/probability_cheatsheet.pdf
概率小抄 2.0
线性代数
来源: https://minireference.com/static/tutorials/linear_algebra_in_4_pages.pdf
四页内解释线性代数
统计学
来源: https://web.mit.edu/~csvoss/Public/usabo/stats_handout.pdf
统计学小抄
微积分
来源: https://tutorial.math.lamar.edu/getfile.aspx?file=B,41,N
微积分小抄


更多资讯推荐
- MIT提出Liquid机器学习系统,可像液体一样适应动态变化
-
麻省理工学院(MIT)的研究者开发出了一种新型的神经网络,其不仅能在训练阶段学习,而且还能持续不断地适应。
机器之心 · 2021-02-21 15:47:47
- 规划智慧城市时,别忘了无障碍通行
-
要想成为一个智慧城市甚至一个智慧世界,虽然可能需要时间和有针对性的规划,但我们必须以人为本。
蒙光伟 · 2021-02-21 10:26:41
- 华人博士生首次尝试用两个Transformer构建一个GAN
-
最近,CV 研究者对 transformer 产生了极大的兴趣并取得了不少突破。这表明,transformer 有可能成为计算机视觉任务(如分类、检测和分割)的强大通用模型。
Yifan Jiang · 2021-02-20 21:04:53
- 模型压缩6倍,无需重训练:数学家团队提出量化新方法
-
RUDN 大学的数学家团队找到一种新方法,该方法能够让神经网络的大小减小到六分之一,且无需花费更多的资源重新训练。
小舟 · 2021-02-20 16:07:27
- 2021年,AI有潜力改善农业的十种路径
-
普华永道指出,基于物联网的农业(IoTAg)监控已经成为联网智能农业领域发展最快的技术领域,市场总额到2025年预计将增长至45亿美元。
科技行者 · 2021-02-19 23:45:36
- 2021年排名前20位的AI平台
-
许多人认为,如果我们的时代是下一次工业革命,那么,人工智能无疑是其推动力之一。
bookfoxers · 2021-02-19 13:10:27
- 谷歌Robotics研究科学家:记住5个问题,快速理解ML论文要点
-
机器学习领域非常火热,新的模型、技术不断更新非常快,要求我们在平时的工作和学习过程中,会需要去阅读一些论文,跟踪某个领域的最新动态。
大数据文摘 · 2021-02-19 11:15:47
- 2021年人工智能将如何发展?这里有6个预测
-
据业内专家预测,2021年及以后,人工智能领域将继续以有意义的方式进行大规模扩张和发展。预计2021年将出现许多有前途的发展,并可能成为人工智能实施的黄金之年。
Yu · 2021-02-19 09:25:44